vault backup: 2024-10-29 13:21:43

.obsidian/workspace.json

@@ -190,7 +190,7 @@
       "smart-second-brain:Open S2B Chat": false
     }
   },
-  "active": "5af0211cef5316b5",
+  "active": "0d5325c0f9289cea",
   "lastOpenFiles": [
     "Foundation of data science/images/Pasted image 20241029123613.png",
     "Foundation of data science/notes/2 Logistic Regression.md",

Foundation of data science/notes/2 Logistic Regression.md

@@ -66,6 +66,6 @@ Ora tutto ciò lo applichiamo alla LL (log likelihood):
 $$\theta^{t+1} = \theta^{t} - \frac{LL'(\theta^0)}{LL''(\theta^0)}$$
 fidatevi, funziona.
 
-Se $\theta$ è un vettore, possiamo anche scriverlo così: $$\theta^{t+1} = \theta^{t} - \frac{\nabla_{\theta}LL}{H}$$
+Se $\theta$ è un vettore, possiamo anche scriverlo così: $$\theta^{t+1} = \theta^{t} - H^{-1}\nabla LL(\theta)$$
 con H matrice definita come segue: $$H_{i,j}=\frac{\partial^2 LL}{\partial \Theta_i \partial \Theta_j}
 $$